HyperAI超神经

Lahmheit bei Milchkühen aufgrund von Krankheiten wie Maul- und Klauenseuche ist für die Viehwirtschaft zu einem weltweiten Problem geworden. Aus einschlägigen populärwissenschaftlichen Erkenntnissen geht hervor, dass dies nicht nur zu einer verringerten Milchproduktion und Reproduktionsleistung der Milchkühe führt, sondern auch dazu, dass Milchkühe vorzeitig ausgeschieden werden.Daten aus dem Dairy Industry Report des National Animal Health Monitoring Service zeigen, dass 16% der Keulungen bei Milchkühen auf Lahmheit zurückzuführen sind.

Lahmheit ist zu einer der größten Krisen der Milchwirtschaft geworden. Daher sind eine frühzeitige Überwachung und Prävention zu wirksamen Mitteln geworden, um Lahmheit in der großflächigen Milchviehhaltung zu bekämpfen. In der Vergangenheit wurden in der Milchindustrie im Allgemeinen manuelle Identifizierungsmethoden verwendet. Diese Methode weist jedoch Nachteile auf, wie etwa geringe Effizienz, hohe Kosten und starke Subjektivität. In diesem ZusammenhangIn der Milchwirtschaft besteht ein steigender Bedarf an automatisierter Erkennungstechnologie für Lahmheit bei Milchkühen.

Kürzlich haben Shaun Barney und Satnam Dlay von der Newcastle University und Andrew Crowe von Fera Science Ltd gemeinsam ein vollautomatisches Echtzeit-Lahmheitserkennungssystem für mehrere Milchkühe entwickelt, das auf dem gesamten Bauernhof eingesetzt werden kann.Das System nutzt Computer Vision und Deep Learning, um die Haltung und den Gang jeder Kuh im Sichtfeld der Kamera zu analysieren, mit einer Erkennungsgenauigkeit von 94%–100%.Die Forschungsergebnisse wurden in Nature veröffentlicht.

Die Ergebnisse wurden in Nature veröffentlicht.

Link zum Artikel:

https://www.nature.com/articles/s41598-023-31297-1#Sec7

Experimenteller Datensatz

In diesem Experiment zeichneten die Forscher zunächst die Bewegungen von 250 Kühen auf einer Farm in Großbritannien auf, nahmen 25 Videos auf und zerlegten dann jedes Video in 3.600 Einzelbilder. Zweitens extrahierten die Forscher ein Bild pro Sekunde und kommentierten es. Um die Generalisierungsfähigkeit des Netzwerks weiter zu verbessern, luden sie 500 Kuhbilder von Google herunter und versahen jede Kuh mit 15 Schlüsselpunkten.Durch die Kombination dieser Bildsuchdaten mit unseren eigenen Anmerkungsdaten haben wir eine Datenbank mit ungefähr 40.000 Anmerkungsinformationen erhalten.

Jede Kuh ist mit 15 Schlüsselpunkten gekennzeichnet

Um die Leistung des Algorithmus anhand realer Daten zu bewerten,Drei AHDB-zertifizierte Beobachter bewerteten gleichzeitig 25 Videos mithilfe des AHDB Cow Mobility Scoring System.Das System verfügt über vier Bewertungsstufen: 0 (überhaupt keine Lahmheit), 1 (leicht eingeschränkte Mobilität), 2 (Lahmheit) und 3 (schwere Lahmheit). Die folgende Abbildung zeigt die Verteilung der Bewertungen dieser drei Beobachter.

Verteilung der Lahmheitswerte aller Milchkühe durch drei Beobachter

Die Abbildung zeigt, dass25,2 % der Kühe hatten einen Lahmheitswert von 0 (orange), 43,2 % hatten einen Lahmheitswert von 1 (grün), 25,6 % hatten einen Lahmheitswert von 2 (rot) und 6,01 TP3T-Kühe hatten einen Lahmheitswert von 3 (grau).

Versuchsablauf und Ergebnisse

Diese Studie verwendeteKameras und tiefe Convolutional Neural Networks (Mask-RCNN-Algorithmus, SORT-Algorithmus und CatBoost-Algorithmus) werden verwendet, um die Körperhaltungen mehrerer Kühe zu erkennen.Die Forscher verfolgten im Video die Schlüsselpunkte auf dem Rücken und Kopf der Kuh und extrahierten relevante Merkmalsindikatoren zur Analyse, um den Grad der Lahmheit festzustellen.

Haltungsanalysealgorithmus

Nachdem die Forscher einen Teil des Mask-RNN (Entity Segmentation Algorithm) selbst entwickelt hatten,Um die Haltung jeder einzelnen Kuh zu schätzen, wurde ein Haltungsanalysealgorithmus entwickelt.Der Algorithmus wurde mit 500 Bildern aus dem Google-Datensatz und Bildern von 189 von 250 Kühen trainiert, während die restlichen 61 Kühe für die endgültige Überprüfung verwendet wurden.

gleichzeitig,Der Algorithmus lokalisiert 15 Schlüsselpunkte mit hoher Präzision und gibt die spezifischen Koordinaten jedes Punkts zur Haltungsanalyse aus.Es gibt 5 Schlüsselpunkte auf dem Rücken und 2 Schlüsselpunkte auf dem Kopf.

Tracking-Algorithmus

Die oben genannten Schritte, von der Zerlegung des Videos in seine Einzelbilder bis hin zur Kommentierung der wichtigsten Punkte jedes Bildes und der Anwendung von Mask-RNN zur Haltungsanalyse, basieren alle auf einem einzigen Standbild. Daher muss im Experiment auch die Bewegung der Kühe im Laufe der Zeit analysiert werden. In diesem ZusammenhangDie Forscher verwendeten den SORT-Algorithmus (Echtzeit-Tracking-Algorithmus), der die Haltung der Kuh im Laufe der Zeit erkennen und Indikatoren wie Rückenregressionskurve, Rückenfläche, Grad der Halsregressionskurve und Halswinkel erhalten kann.

Das obere Bild zeigt die drei Kühe im ersten Frame, jede mit einer anderen Farbe markiert. Das mittlere Bild zeigt die Bewegung der Kühe eine Sekunde später, und der Tracking-Algorithmus hat die markierten Kühe gefunden und erfolgreich mit den entsprechenden Farben markiert. In ähnlicher Weise zeigt das untere Bild die Bewegung der Kühe eine Sekunde später.

Klassifizierungsalgorithmen

Nachdem Sie die Ergebnisse der Haltungsanalyse erhalten haben, die vom Haltungs-Deep-Learning-Modell ausgegeben wurden,Die Forscher verwendeten den CatBoost-Algorithmus, um Lahmheit bei Milchkühen zu bewerten und zu klassifizieren.Hierbei ist zu beachten, dass zur Gewährleistung einer maximalen Generalisierung nur die wichtigsten Pose-Feature-Ergebnisse im endgültigen trainierten Modell verwendet werden sollten. Daher führten die Forscher eine Reihe von Variablenpermutationsanalysen durch und kamen schließlich zu dem Schluss, dass das Löschen von vier unwichtigen Indikatorinformationen die Fehler reduzieren könnte, ohne die Modellleistung wesentlich zu beeinträchtigen.

4 Indikatoren gelöscht, um den niedrigsten Fehler zu erreichen

Um schließlich die Genauigkeit des CatBoost-Algorithmus zu testen,Die Forscher verwendeten Methoden der dreifachen Kreuzvalidierung und Klassifizierungsvalidierung, um die Modellleistung zu überprüfen.Unter anderem zeigten die Ergebnisse der dreifachen Kreuzvalidierung, dass das Algorithmusmodell jede Kuh je nach Lahmheitsgrad sorgfältig in unterschiedliche Lahmheits-Scorestufen einteilen kann.Die durchschnittliche Genauigkeit beträgt 94%±0,05.

Visualisierung von Validierungsverlust und Standardabweichung während der dreifachen Kreuzvalidierung

Zusammenfassend kommen die Forscher zu dem Schluss, dass im Vergleich zu bestehenden Systemen zur Erkennung von Lahmheit bei Milchkühen,Diese Forschung hat folgende wesentliche Vorteile:

* Kann mehrere Kühe gleichzeitig testen.

* Kühe werden anhand ihrer Bewegung nach dem allgemein verwendeten AHDB-Bewertungssystem klassifiziert.

* Möglichkeit, jede Person im Laufe der Zeit zu verfolgen und zu analysieren.

* Vollautomatisch, keine Auswirkungen auf Melken, Füttern und andere Produktionsabläufe.

endlich,Die Forscher haben auch mehrere Herausforderungen angesprochen:

Das System war bei der Unterscheidung zwischen Lahmheitswerten von 0 und 1 viel weniger genau als bei der Unterscheidung zwischen anderen Werten.In Zukunft wird sich das Forschungsteam darauf konzentrieren, die Fähigkeit zur Erkennung kleiner Merkmalsunterschiede zu verbessern.Um genau zwischen nicht lahmen Kühen und Kühen mit leichten Bewegungsproblemen zu unterscheiden.
Das System erfordert Edge-Geräte (wie Kameras, Mobilgeräte oder Tablets), um die Ergebnisse zur Verarbeitung an den Server zu senden und so eine Echtzeitbeobachtung zu ermöglichen.Wie lassen sich durch Netzwerkänderungen verursachte Leistungsschwankungen reduzieren?Dies wird der Schwerpunkt zukünftiger Forschung sein.
Das System wird leicht durch äußere Umweltbedingungen beeinflusst. Wenn beispielsweise der Boden und der Huf der Kuh eine ähnliche Farbe haben, verringert sich die Erkennungsgenauigkeit des Mask-RCNN-Algorithmus.Auch die Hinzufügung eines allgemeineren Fähigkeitstrainings wird ein Schwerpunkt künftiger Arbeiten in dieser Forschung sein.

Ochse! KI treibt die Digitalisierung in der Viehwirtschaft voran

Derzeit,Es ist eine unbestreitbare Tatsache, dass der Wind der KI in die Viehwirtschaft hineingeweht ist.Mit Blick auf das Ausland können neben den in diesem Artikel vorgestellten wissenschaftlichen Forschungsergebnissen aufgrund der hohen Tierhaltungsintensität und der guten digitalen GrundlageEs gibt bereits viele KI-Anwendungen.Connecterra, ein niederländisches Agrartechnologieunternehmen, hat beispielsweise das System „Intelligent Dairy Farmer’s Assistant“ (IDA) entwickelt, bei dem tragbare Geräte, die um den Hals der Kühe getragen werden, durch die Koordination von Software und Hardware den Gesundheitszustand der Kühe in Echtzeit überwachen. Laut einem amerikanischen RancherDie Anwendung von IDA hat dazu beigetragen, die Produktivität von 10% zu verbessern.

Wenn wir unsere Aufmerksamkeit wieder auf China richten,Einerseits gibt es in den letzten Jahren viele Beispiele für den Einsatz von KI in der Viehwirtschaft.Alibaba startete bereits vor einigen Jahren mit der intelligenten Schweinezucht und Huawei schloss sich mit China Telecom und Yinchuan Aotu zusammen, um das auf NB-IoT basierende Produkt „Little Shepherd“ auf den Markt zu bringen. Auf der anderen Seite muss man aber auch feststellen, dass die Verbreitung von KI-Anwendungen in der Nutztierhaltung noch nicht sehr groß ist. In diesem Zusammenhang sagte der CEO von Shenmu Technology einmal unverblümt:„Wenn viele einheimische Landwirte über künstliche Intelligenz sprechen, beschränkt sich ihr Verständnis davon immer noch auf die traditionellste Gesichtserkennung und Stimmerkennung.“